โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
บริษัท ไทยออยล์ จำกัด (มหาชน) (TOP) ประกอบธุรกิจโรงกลั่นน้ำมันที่มีกระบวนการผลิตที่ทันสมัยและมีประสิทธิภาพสูง เพื่อผลิตและจำหน่ายน้ำมันปิโตรเลียมสำเร็จรูปป้อนตลาดในประเทศเป็นส่วนใหญ่ ทั้งยังขยายการลงทุนให้ครอบคลุมการผลิตผลิตภัณฑ์ปิโตรเคมี นํ้ามันหล่อลื่นพื้นฐาน เอทานอล รวมถึงการลงทุนในธุรกิจไฟฟ้า ตลอดจนธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียม และปิโตรเคมีทางเรือ ธุรกิจขนส่งผลิตภัณฑ์ปิโตรเลียมสำเร็จรูปทางท่อ และธุรกิจให้คำปรึกษาทางด้านพลังงาน ซึ่งมีโรงกลั่นอยู่ที่อำเภอศรีราชา จังหวัดชลบุรี โครงงานสหกิจนี้เกี่ยวข้องกับการทำงานร่วมกับหน่วยผลิต Hydrogen Manufacturing 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) ซึ่งผลิตไฮโดรเจนบริสุทธิ์สูงสำหรับใช้ในกระบวนการต่าง ๆ เช่น Hydrocrackers, Hydrodesulphuriser และ Hydrotreaters หน่วยผลิตนี้มีบทบาทสำคัญในการแยกก๊าซธรรมชาติเหลือใช้จากกระบวนการก่อนหน้า ซึ่งมีความซับซ้อนสูงและต้องการการควบคุมอุณหภูมิและความดันอย่างแม่นยำเพื่อให้กระบวนการทำงานได้อย่างมีประสิทธิภาพ เนื่องจากการขาดเครื่องมือจำลองกระบวนการที่มีประสิทธิภาพส่งผลต่อความสามารถในการผลิตและประสิทธิภาพโดยรวม ทำให้ไม่สามารถส่งไฮโดรเจนให้กระบวนการข้างต้นได้ตามความต้องการ การใช้โปรแกรม AVEVA Pro/II ซึ่งเป็นเครื่องมือสำคัญในการจำลองกระบวนการผลิตในหน่วย HMU-2 และ PSA-3 พบว่ามีข้อผิดพลาดในการจำลองบางกระบวนการ ซึ่งส่งผลกระทบต่อความแม่นยำในการคาดการณ์พารามิเตอร์ที่เกี่ยวข้องกับการผลิตไฮโดรเจน การพัฒนาโมเดล Machine Learning จึงเป็นแนวทางใหม่ที่มีศักยภาพในการเพิ่มความแม่นยำในการคาดการณ์พารามิเตอร์กระบวนการต่าง ๆ เช่น อุณหภูมิ ความดัน และอัตราการไหล การนำเทคนิค Machine Learning มาช่วยในการคาดการณ์และปรับปรุงกระบวนการผลิตไฮโดรเจนให้ได้ตามความต้องการของหน่วยผลิตในบริษัทจึงเป็นสิ่งสำคัญในการเพิ่มประสิทธิภาพการผลิตและตอบสนองความต้องการที่สูงขึ้นได้อย่างมีประสิทธิผล
คณะเทคโนโลยีสารสนเทศ
รายงานฉบับนี้เป็นส่วนหนึ่งของการนำความรู้ที่ได้จากการศึกษาโมเดล Machine Learning และแนวทางการพัฒนาโมเดลทำนายลูกค้าที่มีแนวโน้มที่จะยกเลิกการใช้บริการบัตรเครดิตของธนาคารมาประยุกต์ใช้กับข้อมูลจริงในอุตสาหกรรมบัตรเครดิตของสถาบันทางการเงิน ผ่านการฝึกงานที่สถานประกอบการทางการเงินแห่งหนึ่ง ซึ่งผู้จัดทำได้ทำการพัฒนาโมเดลทำนายลูกค้าที่มีแนวโน้มที่จะยกเลิกการใช้บริการบัตรเครดิตของสถาบันทางการเงินจากข้อมูลลูกค้าจริงผ่านระบบที่สถานประกอบการใช้งาน ซึ่งมุ่งเน้นไปที่การสร้างโมเดลที่สามารถทำนายการเลิกใช้บริการของลูกค้าได้อย่างแม่นยำ โดยมีการเลือกฟีเจอร์ข้อมูลให้เหมาะสมกับโมเดลการทำนายและลักษณะเฉพาะของข้อมูลในอุตสาหกรรมบัตรเครดิต เพื่อโมเดลที่มีประสิทธิภาพและถูกต้องมากที่สุด โดยรายงานฉบับนี้ยังครอบคลุมถึงการนำโมเดลที่ได้เข้าไปเป็นส่วนหนึ่งของการการพัฒนาเว็บไซต์เพื่อช่วยให้แผนกอื่นๆที่เกี่ยวข้องสามารถใช้งานโมเดลทำนายได้อย่างสะดวก โดยผู้ใช้สามารถอัปโหลดข้อมูลสำหรับการทำนายและรับผลลัพธ์จากโมเดลได้ทันที นอกจากนี้ยังมีการสร้าง Dashboard เพื่อนำเสนอข้อมูลเชิงลึกที่เกิดจากการทำนายของโมเดล เช่น การระบุกลุ่มลูกค้าที่มีความเสี่ยงสูงในการเลิกใช้บริการ รวมถึงข้อมูลเชิงวิเคราะห์ที่มีความสำคัญต่อการตัดสินใจเชิงกลยุทธ์ ซึ่งจะช่วยสนับสนุนการวางแผนการตลาดและการรักษาลูกค้าในองค์กรได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
คณะวิศวกรรมศาสตร์
เนื่องจากระบบเมืองสมัยใหม่ มีความต้องการใช้พลังงานไฟฟ้าที่มีเสถียรภาพสูงมากกว่าในอดีต ทำให้มีการนำระบบการส่งจ่ายพลังงานไฟฟ้าด้วยสายเคเบิลใต้ดินมาใช้งานกันอย่างแพร่หลายแทนที่การส่งพลังงานไฟฟ้าด้วยสายส่งเหนือหัว อย่างไรก็ตามการส่งจ่ายพลังงานไฟฟ้าด้วยสายเคเบิลใต้ดินยังมีปัญหาในการใช้งานอยู่หลายประการเช่น การลงทุนที่สูงกว่าการส่งจ่ายพลังงานไฟฟ้าเหนือหัวอยู่หลายเท่า การใช้เวลาแก้ไขเป็นระยะเวลานานเมื่อเกิดความล้มเหลวของระบบส่งจ่าย ความสามารถในการวิเคราะห์ปัญหาที่จำกัด ความสามารถในการรับภาระเพิ่มเติมเป็นต้น โครงการวิจัยนี้ออกแบบมาเพื่อศึกษาปัญหาของสายเคเบิลใต้ดินระบบ 22 kV XLPE โดยอาศัยเทคนิค การวิเคราะห์กระแสโพลาไรซ์และกระแสดีโพลาไรซ์ซึ่งเป็นเทคนิคการวิเคราะห์ฉนวนสมัยใหม่
คณะวิทยาศาสตร์
สาหร่ายขนาดเล็กอุดมไปด้วยสารออกฤทธิ์ทางชีวภาพ สารเหล่านี้อาจมีผลช่วยส่งเสริมการเจริญเติบโตของโพรไบโอติกที่จำเป็นต้องอาศัยสารอาหารที่เหมาะสม หรือที่เรียกว่าพรีไบโอติก งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาประสิทธิภาพของสารสกัดหยาบจากสารภายในเซลล์ของสาหร่ายขนาดเล็ก Chlorella sp. KLSc61 ต่อการส่งเสริมการเจริญเติบโตของจุลินทรีย์โพรไบโอติก Lactiplantibacillus plantarum JCM1149 ภายใต้สภาวะระบบย่อยอาหารจำลอง โดยทำการสกัดสารจากภายในเซลล์สาหร่าย ด้วยเอทานอลเข้มข้น 70% (v/v) เพื่อเตรียมสารสกัดสำหรับการทดสอบผลต่อการเจริญของโพรไบโอติกแบคทีเรีย จากนั้นนำสารสกัดจากสาหร่าย ที่ความเข้มข้น 0.1%, 0.75% และ 1.5% มาทดสอบการเจริญเติบโตของโพรไบโอติกแบคทีเรีย Lactiplantibacillus plantarum JCM1149 โดยวัดการเจริญของโพรไบโอติกแบคทีเรีย ด้วยวิธีการดรอปเพลท ผลการศึกษานี้จะช่วยให้เข้าใจถึงศักยภาพของสารสกัดจาก Chlorella sp. KLSc61 ในการส่งเสริมการเจริญของโพรไบโอติก ซึ่งอาจนำไปสู่การพัฒนาผลิตภัณฑ์อาหารเสริมที่มีคุณสมบัติเป็นซินไบโอติก (Synbiotic) ที่มีทั้งโพรไบโอติกและพรีไบโอติกในอนาคต อีกทั้งยังสามารถเป็นข้อมูลพื้นฐานสำหรับการศึกษาต่อยอดเกี่ยวกับบทบาทของสารสกัดจากสาหร่ายต่อสุขภาพระบบทางเดินอาหารและระบบภูมิคุ้มกัน